skimage的view_as_window和sklearn的extract_patch_2d在提取图像块时有什么区别？
我有一个包含二维图像的数组，形状是[n x w x h]，其中n是图像的数量。我想从每个二维图像中提取小块。由于小块的大小可能不均匀地切分图像，所以我需要使用填充（padding）。而且，我不想要重叠的小块。我发现了两个函数，分别在skimage和sklearn库中可以使用：view_as_window()和extract_patches_2d()。我有两个问题：
- 为什么会有两个方法？
- 哪个方法更适合我的需求？
1 个回答
因为你想从一张二维图像中提取小块，所以使用 sklearn.feature_extraction.image.extract_patches_2d 是最合适的选择。这个函数就是专门用来做这件事的，其他的事情它不管，所以你可以期待它在这个任务上已经经过优化。
虽然像 skimage.util.view_as_windows 这样的函数也能达到你想要的效果，但它并不是专门为这个目的写的。这个函数提供了一个滚动窗口的视图，可以用在多维数组上，虽然在你的情况下，'n' 可能是 2，但它其实适用于任何维度。
因此，skimage.util.view_as_windows 可能并没有针对你想要的使用场景进行优化，未来可能还会增加一些额外的逻辑，这样反而会对你的使用造成负面影响。
即使 sklearn.feature_extraction.image.extract_patches_2d 在后台调用了 skimage.util.view_as_windows，使用更具体的函数调用仍然是有意义的，这样可以享受到未来可能的优化，或者避免偏离你的使用场景。
可以想象一下，有一个数学库里有一个函数专门用来解二次方程，还有一个函数可以在特定条件下解任何多项式方程。如果你只需要解二次方程，你肯定会选择第一个，虽然第二个也能用。但这两个函数存在的原因是显而易见的，类似的道理也适用于你问的这个情况。